BIOCAD: контроль СИЗ на фармацевтическом производстве.

• CV, Real-Time Detection
• Технологии: detectron, ultralytics, Roboflow
• Опробованы модели YOLO и FasterRCNN
• По итогам написана статья — см. достижения

НИУ ВШЭ, проектная работа 1 курса.

• CV: Math Recognition, OCR, Detection; NLP: RAG
• Технологии: ultralytics, detectron, Roboflow, PyTorch, transformers, FAISS
• Для детекции собран синтетический датасет, обучены YOLO и FasterRCNN
• Для распознавания математики обучен ViT, для текста — предобученная модель

Решение соревнования по выявлению галлюцинаций языковых моделей.

BIOCAD: instance segmentation, когда размеченных данных почти нет.

• CV: Instance Segmentation (Few-Shot / One-Shot / Small Data)
• Технологии: transformers, detectron, PyTorch, OpenCV
• Сравнение подходов: Supervised Learning, Zero-Shot, Few-Shot, Transfer Learning

Хакатон «Алабуга».

• NLP: Sentiment Analysis on Named Entity Recognition
• Технологии: natasha, transformers
• Именованные сущности — предобученной моделью из natasha
• Для тональности дообучены две модели BERT с masking entity: «нейтральный — не нейтральный» и «положительный — отрицательный»
• Как baseline протестирован catboost: text_features, word2vec, TF-IDF

Т-Банк: многометочная классификация текста.

• NLP: Multilabel Text Classification
• Технологии: keras, catboost, sklearn, fasttext
• Протестированы CNN, RNN, catboost с эмбеддингами fasttext (catboost + TF-IDF как baseline)
• Опробован Focal Loss против дисбаланса классов

Олимпиада DANO: аналитическое исследование.

• Технологии: pandas, numpy, scipy, sklearn, matplotlib, seaborn
• Очистка датасета от выбросов и пропусков
• Гипотезы проверены робастными бутстреп-методами: permutation test и Bootstrap Confidence Interval

«Лидеры цифровой трансформации» и «Итэлма»: веб-сервис.

• Time Series
• Технологии: catboost, numpy, pandas, sklearn, scipy
• Пайплайн предобработки: детекция аномалий, интерполяция пропусков, denoising
• Система детекции важных событий и предсказания осложнений (catboost, RandomForest)